Самообучаваща се случайна гора
Самообучаващата се случайна гора (SSL-RF) разширява класическата случайна гора за сценарии, където етикетираните примери са оскъдни. Гората първоначално се обучава с помощта на автоматично генерирани псевдо-етикети, изведени от предварителна задача за самообучение — като например предсказване на трансформации на данни или маскирани признаци — и след това се усъвършенства върху наличните истински етикети, съчетавайки ефективността на етикетирането на самообучаващото се учене с устойчивостта на ансамблови дървета.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Lefortier, D., Chitta, K., & Agrawal, P. (2022). Self-supervised random forests. arXiv:2204.01430. link ↗
- Criminisi, A., Shotton, J., & Konukoglu, E. (2012). Decision forests: A unified framework for classification, regression, density estimation, manifold learning and semi-supervised learning. Foundations and Trends in Computer Graphics and Vision, 7(2–3), 81–227. DOI: 10.1561/0600000035 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Self-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/bg/machine-learning/self-supervised-random-forest
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Дърво на решениятаМашинно обучение↔ compare
- Label PropagationМашинно обучение↔ compare
- Случайна гораМашинно обучение↔ compare
- Самообучаващо се ученеМашинно обучение↔ compare
- Полу-наблюдавано обучениеМашинно обучение↔ compare
- XGBoostМашинно обучение↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →